So-VITS-SVC 常见报错和解决方案合集

2026年9月20日作者：阅读 6997 本文共计 4972 个字阅读本文需 25 分钟

AI摘要

MiaoYin

本篇是「AI 歌曲翻唱（So-VITS-SVC）」系列教程的一篇，整合包基于 So-VITS-SVC 4.1，适合想用自己声音训练 AI 翻唱模型的同学。说明：本站不提供整合包与现成翻唱模型的下载，但提供 AI 音色模型的定制训练服务。教程内容按原项目文档整理，已去除无关信息。

关于爆显存

如果你在终端或 WebUI 界面的报错中出现了这样的报错：

OutOfMemoryError: CUDA out of memory. Tried to allocate XX GiB (GPU 0; XX GiB total capacity; XX GiB already allocated; XX MiB Free; XX GiB reserved in total by PyTorch)

不要怀疑，你的显卡显存或虚拟内存不够用了。以下是 100% 解决问题的解决方法，照着做必能解决，请不要再在各种地方提问这个问题了：

在报错中找到 XX GiB already allocated 之后，是否显示 0 bytes free，如果是 0 bytes free 那么看第2，3，4步，如果显示 XX MiB free 或者 XX GiB free, 看第 5 步
如果是预处理的时候爆显存：
a换用对显存占用友好的 f0 预测器（友好度从高到低：pm >= harvest >= rmvpe ≈ fcpe >> crepe），建议首选 rmvpe 或 fcpe
b多进程预处理改为 1
如果是训练的时候爆显存：
a检查数据集有没有过长的切片（20秒以上）
b调小批量大小（batch size）
c更换一个占用低的项目，例如 DDSP 4.0
d去 AutoDL 等云算力平台上面租一张大显存的显卡跑
如果是推理的时候爆显存：
a推理源（干声）不干净（有残留的混响，伴奏，和声），导致自动切片切不开。提取干声最佳实践请参考歌曲人声分离
b调大切片阈值（比如-40调成-30，再大就不建议了，你也不想唱一半就被切一刀吧）
c设置强制切片，从60秒开始尝试，每次减小10秒，直到能成功推理（别上来就写10秒甚至1秒！推理需要参考上下文的！）推理切片的原理请参考本文档——推理参数详解
d使用 cpu 推理，速度会很慢但是不会爆显存
如果显示仍然有空余显存却还是爆显存了，那就是你的虚拟内存不够大，调整到至少 50G 以上。

常见报错

报错：The system cannot find the path specified.

答：教你一个生活小技巧：压缩包要解压才能使用。

报错：Connection errored out.

答：你把 WebUI 终端都关了当然连接不上了……

报错：页面文件太小，无法完成操作。

答：增大系统虚拟内存大小，方法各种地方都能搜得到，不展开了。

报错：RuntimeError: Current CUDA Device does not support bfloat16. Please switch dtype to float16

答：你的显卡不支持 bf16 训练。如果你选择的是 fp32 还有这个报错的话，请打开你的配置文件，确认 “fp16_run” 一项为 false，并且 “half_type” 为 “fp16”

报错：RuntimeError: DataLoader worker (pid(s) xxxx) exited unexpectedly

答：把虚拟内存再调大一点。

报错：CUDA error: CUBLAS_STATUS_NOT_INITIALIZED when calling ‘cublasCreate(handle)’

答：爆显存了，基本上跟CUDA有关的报错大都是爆显存……

报错：RuntimeError: cuFFT error: CUFFT_INTERNAL_ERROR

答：RTX4090 显卡使用的 CUDA 版本必须是 11.8 以上，AutoDL 云端的部分 4090 机器不满足这个要求，建议换用其他显卡。

报错：torch.multiprocessing.spawn.ProcessExitedException: process 0 terminated with exit code 3221225477

答：调大虚拟内存

报错：’HParams’ object has no attribute ‘xxx’

答：无法找到音色，一般是配置文件和模型没对应，打开配置文件拉到最下面看看有没有你训练的音色

报错：The expand size of the tensor (768) must match the existing size (256) at non-singleton dimension 0.

答：把 dataset/44k 下的内容全部删了，重新走一遍预处理流程

报错：Given groups=1, weight of size [xxx, 256, xxx], expected input[xxx, 768, xxx] to have 256 channels, but got 768 channels instead

答：vec256的模型用了vec768的配置文件，如果上面报错的256的768位置反过来了那就是vec768的模型用了vec256的配置文件，请参考本文的的旧模型兼容，确认你的配置文件和模型维度对应。

报错：RuntimeError: Error(s) in loading state_dict for Unit2Mel:

size mismatch for unit_embed.weight: copying a param with shape torch.Size([256，768]) from checkpoint， the shape in current model is torch. Size([256,1024]).

答：选择 Whisper-PPG 编码器就不能训练 100 步深度浅扩散。

报错：配置文件中的编码器与模型维度不匹配

答：在修改配置文件中的 “speech_encoder” 时修改错了，检查配置文件中的”ssl_dim”一项，如果这项是256，那你的speech_encoder应当修改为”vec256l9″，如果是768，则是”vec768l12″

报错：模型说话人数量与emb维度不匹配

答：配置文件中的”n_speakers”一项与模型中实际的说话人数量不一致。你应当将”n_speaker”修改为大于等于模型中实际的说话人数量。当然，出现这一错误更有可能是你没有选择模型对应的配置文件。

报错：配置文件与模型不匹配

答：配置文件中的模型维度与模型的实际维度不一致。出现这一报错说明没有选择模型对应的配置文件。

报错：扩散模型维度与主模型不匹配，请确保两个模型使用的是同一个编码器

答：扩散模型训练时使用的编码器需要和主模型是同一个，目前扩散模型只支持vec768l12，hubertsoft和whisper-ppg.

报错：所选模型缺少emb_g.weight，你可能选择了一个底模

答：我本来觉得这个报错写得很清楚了，为什么，怎么做都告诉你了，但还是一直有人问。
不要选择G_0底模!! 如果列表里只有G_0说明模型还没保存，别这么急，等800步保存了再来。如果已经800步保存了点一下下面的刷新选项按钮。

报错：Cannot load audio from file: `ffprobe` not found. Please install `ffmpeg` in your system to use non-WAV audio file formats and make sure `ffprobe` is in your PATH.

答：更新到 v2.3.7 之后的整合包。或者手动把 FFmpeg 添加到系统环境变量中。

报错：No module named ‘faiss.swigfaiss_avx2’

答：特征检索模型需要在本地训练本地推理，云端训练的特征检索模型因为环境问题可能无法在本地使用。

报错：Expecting value: line 1 column 1 (char 0)

答：关闭全局梯子

报错：error: emb_g.weight is not in the checkpoint

答：这其实不是报错，首次训练时出现这一条恰恰说明你的底模被成功加载了，属于正常现象，不用担心。

常见问题 FAQ

整合包在哪里下载？

医院眼科。

我下载的整合包里没有”启动 WebUI.bat”啊？

你大概下成增量更新了。完整整合包在哪下载参考上一个问题。

A卡 / 苹果用户可以跑吗？

纯小白就算了，老老实实上云端吧，A卡用户可以折腾 ROCm，苹果用户就洗洗睡。

为什么开始训练的时候卡着不动了啊？

只要没报错，就是在跑。如果你的数据集不是很大（5小时以下），一般终端会在10分钟以内弹出第一条训练日志输出，如果超过10分钟了还没有任何新的输出日志，尝试增大虚拟内存或改小批量大小后重新开始训练。

如果我在训练途中想追加一些数据集该怎么办呢？

需要重新预处理并重新开始训练

扩散模型、聚类模型和特征检索模型有什么用啊？有必要训练吗？

RTFM

推理的时候等的时间好久，几分钟的音频几十分钟还没转换完是正常的吗？

如果转换进度那里只有转圈圈没有进度条，右上角只有计时器没有 processing 字眼，那说明是 gradio 抽风了，根本没在跑，白等了。建议重启并且把音频切得短一点。

看图

@@IMG:https://cdn.nlark.com/yuque/0/2025/jpeg/42660612/1751969154860-b5f470fb-d712-40bf-9438-5ab5eacc9a2c.jpeg@@

@@IMG:https://cdn.nlark.com/yuque/0/2025/jpeg/42660612/1751969141126-86464928-deaf-4669-99eb-a9fda6e3c155.jpeg@@

预处理结果是上图的时候，调大虚拟内存

某软件导出的wav音频后缀是 .WAV，需要改成 .wav

一个优秀的提问示例：

大家好，我在使用特征检索模型时遇到了一点问题，终端报错是“No module named ‘faiss.swigfaiss_avx2’”，这是终端报错截图：【完整报错截图】
我用的模型是自己训练的，编码器是vec768l12，配置文件的编码器是对应的。没有加载扩散模型，在加载模型的时候提示的这个报错。如果不加载特征检索模型就可以正常使用。特征检索模型是在云端训练后下载到本地的，在云端推理时可以加载。
查看了文档的常见报错，并没有发现类似的问题。有人知道该怎么解决吗？感激不尽！

一个错误的提问示例：